随着视频监控系统在各领域越来越广泛的应用，传统的人工标定视频中异常行为的方法，已不能满足海量视频数据分析的需求。异常行为检测基于计算机视觉、模式识别等技术，通过学习视频场景中目标的行为模式，实现对目标异常行为的自动检测。异常行为检测具有重大的应用价值，其与视频监控系统相结合，在国家安全、打击犯罪、医疗救助等领域发挥巨大作用。目前对异常行为检测方法的研究尚处于起步阶段，包括异常定义、模型构建在内的诸多问题亟待解决，相关研究具有很高的学术意义。因此，本文致力于异常行为检测方法的研究，力图在不同的时间尺度上，探索异常行为无监督的描述和检测方法。　　 本文的主要工作及特色如下：　　 (1)提出了一种基于姿态直方图的异常姿态检测方法。基于目标的仿射不变矩生成姿态码本，将图像划分为若干区域，每个区域分别训练直方图统计该区域各姿态码字出现的次数。通过估计目标姿态在其所在区域出现的概率判断是否异常。该异常姿态检测方法不依赖目标的先验知识，建模过程无监督，不受视点变化的影响，实验证明该方法的有效性。　　 (2)提出了一种基于混合单边广义高斯模型的异常轨迹检测方法。基于改进的轨迹距离算法，通过对少量轨迹样本的聚类并分析聚类结果的统计特性初始化模型的参数，训练模型以计算轨迹发生的概率作为轨迹异常判据。该异常轨迹检测方法不依赖场景的先验知识，建模过程无监督，实验证明该方法的有效性和鲁棒性。　　 (3)提出了综合姿态特征和轨迹特征的异常行为检测框架。该框架以目标特征出现的概率描述异常行为，不依赖场景的先验知识，建模过程无监督，能够在不同的时间尺度上检测目标行为的异常。